가맹점 재가격 조정과 회수 우선순위

금융 서비스의 결제 처리 기업이 중소 가맹점의 대금 회수, 가격 민감도가 낮은 가맹점의 요금 조정과 이탈 위험이 있는 고가치 고객 유지를 함께 개선한 사례입니다.

데이터와 판단의 문제

큰 규모의 데이터가 분산되어 회수 대상을 효과적으로 순위화하거나 가맹점별 적절한 요율과 수수료를 판단하기 어려웠습니다.

CRM과 다른 원천의 고객 활동, 가격, 결제 단말, 청구, 부정 거래와 신용 이력을 통합해 객체와 관계로 표현했습니다.

분석가는 통계 모델로 계정의 대금 지급 가능성을 평가합니다. 지급 가능성이 높은 계정은 내부 회수팀에 우선 배정하고 낮은 계정은 제삼자 회수업체에 전달하는 구성을 사용했습니다.

가격 분석에서는 수수료 구조가 고객 유지에 미치는 영향을 비교했습니다. 영업팀은 새 계정의 가격을 정하고 기존 가맹점의 요금을 조정할 때 이 결과를 활용했습니다.

가맹점 활동 분석, 회수와 재가격 조정

가맹점 회수팀, 재무 분석가, 데이터 과학자와 영업팀이 참여했습니다. 재무 분석가는 매출과 고객 유지의 목표를 함께 고려해 재가격 조정안을 검토합니다.

Contour 등의 분석 도구로 회수 및 가격 방식을 조사하고 Contour와 Code Workbook에서 가격 시나리오를 비교했습니다. 회수 순위와 재가격을 결정하는 머신러닝 모델은 Code Repositories에서 구현했으며 실제 앱은 Slate로 만들었습니다.

추가로 고려할 수 있는 선택지에는 시나리오 탐색을 위한 Vertex와 Foundry Scenarios, 모델 관리를 위한 Foundry ML이 있었습니다.

회수 우선순위 개선으로 연간 수백만 달러의 추가 회수 효과를 예상했습니다. 재가격 조정에서는 고객 유지가 개선되고 목표 매출을 넘는 추가 수백만 달러의 성과가 있었습니다. 예상 회수액과 실제 재가격 성과를 구분합니다.

사용하는 패턴은 조사와 코호트 구성입니다.